小样本条件下轴承故障的DCGAN诊断方法

• Published in: 振动、测试与诊断 Vol. 43; no. 4; pp. 817 - 823
• Main Authors: 柳雅倩, 蔡浩原, 李文宽, 赵晟霖, 刘春秀
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院空天信息创新研究院 北京, 100190 01.08.2023; 中国科学院大学电子电气与通信工程学院 北京, 100049%中国科学院空天信息创新研究院 北京, 100190
• Subjects: 小样本; 滚动轴承; 深度卷积生成对抗网络; 故障诊断; 深度学习
• ISSN: 1004-6801
• DOI: 10.16450/j.cnki.issn.1004-6801.2023.04.027

TH17%TH165.3%TP277; 针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络(deep convolutional generative adversarial networks,简称DCGAN)的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率.为了改善传统算法易产生的棋盘格效应,设计上采样卷积(up-sampling convolution,简称USCONV)层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本.该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性.实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性.